值得收藏的27个机器学习的小抄
机器学习(Machine Learning)有很多方面，当我开始研究学习它时，我发现了各种各样的“小抄”，它们简明地列出了给定主题的关键知识点。最终，我汇集了超过 20 篇的机器学习相关的小抄，其中一些我经常会翻阅，而另一些我也获益匪浅。这篇文章里面包含了我在网上找到的 27 个小抄，如果你发现我有所遗漏的话，请告诉我。
机器学习领域的变化是日新月异的，我想这些可能很快就会过时，但是至少在目前，它们还是很潮的。
机器学习
这里有一些有用的流程图和机器学习算法表，我只包括了我所发现的最全面的几个。
神经网络架构
来源： https://www.asimovinstitute.org/neural-network-zoo/
神经网络公园
微软 Azure 算法流程图
来源： https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-algorithm-cheat-sheet
用于微软 Azure 机器学习工作室的机器学习算法
SAS 算法流程图
来源： https://blogs.sas.com/content/subconsciousmusings/2017/04/12/machine-learning-algorithm-use/
SAS：我应该使用哪个机器学习算法?
算法总结
来源： https://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/
机器学习算法指引
来源： https://thinkbigdata.in/best-known-machine-learning-algorithms-infographic/
已知的机器学习算法哪个***?
算法优劣
来源： https://blog.dataiku.com/machine-learning-explained-algorithms-are-your-friend
Python
自然而然，也有许多在线资源是针对 Python 的，这一节中，我仅包括了我所见过的***的那些小抄。
算法
来源： https://www.analyticsvidhya.com/blog/2015/09/full-cheatsheet-machine-learning-algorithms/
Python 基础
来源： https://datasciencefree.com/python.pdf
来源： https://www.datacamp.com/community/tutorials/python-data-science-cheat-sheet-basics#gs.0x1rxEA
Numpy
来源： https://www.dataquest.io/blog/numpy-cheat-sheet/
来源： https://datasciencefree.com/numpy.pdf
来源： https://www.datacamp.com/community/blog/python-numpy-cheat-sheet#gs.Nw3V6CE
来源： https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/numpy/numpy.ipynb
Pandas
来源： https://datasciencefree.com/pandas.pdf
来源： https://www.datacamp.com/community/blog/python-pandas-cheat-sheet#gs.S4P4T=U
来源： https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/pandas/pandas.ipynb
Matplotlib
来源： https://www.datacamp.com/community/blog/python-matplotlib-cheat-sheet
Scikit Learn
来源： https://www.datacamp.com/community/blog/scikit-learn-cheat-sheet#gs.fZ2A1Jk
来源： https://peekaboo-vision.blogspot.de/2013/01/machine-learning-cheat-sheet-for-scikit.html
来源： https://github.com/rcompton/ml_cheat_sheet/blob/master/supervised_learning.ipynb
Tensorflow
Pytorch
来源： https://github.com/bfortuner/pytorch-cheatsheet
数学
如果你希望了解机器学习，那你就需要彻底地理解统计学(特别是概率)、线性代数和一些微积分。我在本科时辅修了数学，但是我确实需要复习一下了。这些小抄提供了机器学习算法背后你所需要了解的大部分数学知识。
概率
来源： https://www.wzchen.com/s/probability_cheatsheet.pdf
概率小抄 2.0
线性代数
来源： https://minireference.com/static/tutorials/linear_algebra_in_4_pages.pdf
四页内解释线性代数
统计学
来源： https://web.mit.edu/~csvoss/Public/usabo/stats_handout.pdf
统计学小抄
微积分
来源： https://tutorial.math.lamar.edu/getfile.aspx?file=B,41,N
微积分小抄
暂无评论，快去成为第一个评论的人吧
更多资讯推荐
- MIT提出Liquid机器学习系统，可像液体一样适应动态变化
-
麻省理工学院（MIT）的研究者开发出了一种新型的神经网络，其不仅能在训练阶段学习，而且还能持续不断地适应。
机器之心 · 2021-02-21 15:47:47
- 规划智慧城市时，别忘了无障碍通行
-
要想成为一个智慧城市甚至一个智慧世界，虽然可能需要时间和有针对性的规划，但我们必须以人为本。
蒙光伟 · 2021-02-21 10:26:41
- 华人博士生首次尝试用两个Transformer构建一个GAN
-
最近，CV 研究者对 transformer 产生了极大的兴趣并取得了不少突破。这表明，transformer 有可能成为计算机视觉任务（如分类、检测和分割）的强大通用模型。
Yifan Jiang · 2021-02-20 21:04:53
- 模型压缩6倍，无需重训练：数学家团队提出量化新方法
-
RUDN 大学的数学家团队找到一种新方法，该方法能够让神经网络的大小减小到六分之一，且无需花费更多的资源重新训练。
小舟 · 2021-02-20 16:07:27
- 2021年，AI有潜力改善农业的十种路径
-
普华永道指出，基于物联网的农业（IoTAg）监控已经成为联网智能农业领域发展最快的技术领域，市场总额到2025年预计将增长至45亿美元。
科技行者 · 2021-02-19 23:45:36
- 2021年排名前20位的AI平台
-
许多人认为，如果我们的时代是下一次工业革命，那么，人工智能无疑是其推动力之一。
bookfoxers · 2021-02-19 13:10:27
- 谷歌Robotics研究科学家：记住5个问题，快速理解ML论文要点
-
机器学习领域非常火热，新的模型、技术不断更新非常快，要求我们在平时的工作和学习过程中，会需要去阅读一些论文，跟踪某个领域的最新动态。
大数据文摘 · 2021-02-19 11:15:47
- 2021年人工智能将如何发展？这里有6个预测
-
据业内专家预测，2021年及以后，人工智能领域将继续以有意义的方式进行大规模扩张和发展。预计2021年将出现许多有前途的发展，并可能成为人工智能实施的黄金之年。
Yu · 2021-02-19 09:25:44